llm-app-patterns
Sprawdzone wzorce do budowania aplikacji z dużymi modelami językowymi — od RAG po agentów AI.
Instalacja
Wybierz klienta i sklonuj repozytorium do odpowiedniego katalogu skilli.
Instalacja
O skillu
Zbiór gotowych do produkcji wzorców architektonicznych dla aplikacji opartych na modelach językowowych. Obejmuje potoki RAG (wzbogacone wyszukiwanie), architektury agentów AI, narzędzia do prompt engineeringu oraz monitorowanie LLMOps. Użyj tego umiejętności gdy projektujesz aplikacje zasilane AI, wdrażasz RAG do gruntowania odpowiedzi w Twoich danych, budujesz agentów z narzędziami lub konfigurujesz obserwację systemów LLM. Wzorce inspirowane są najlepszymi praktykami branżowymi.
Jak używać
Zainstaluj umiejętność w swoim środowisku Claude lub kompatybilnym systemie agentów — umiejętność dostępna jest w repozytorium davila7 pod ścieżką claude-code-templates.
Wybierz scenariusz, w którym potrzebujesz wsparcia: projektowanie aplikacji zasilanej LLM, implementacja potoku RAG, budowanie agenta z dostępem do narzędzi lub konfiguracja monitorowania LLMOps.
Dla potoku RAG zapoznaj się z trzema etapami: pozyskanie dokumentów (ingestion), wyszukiwanie kontekstu (retrieval) i generowanie odpowiedzi (generation). Umiejętność zawiera strategie chunking'u — wybierz pomiędzy fixed-size dla prostoty, semantic dla zachowania znaczenia, recursive dla elastyczności lub document-aware dla poszanowania struktury dokumentu.
Skonfiguruj parametry chunking'u dostosowane do Twojego przypadku użycia — typowo rozmiar fragmentu to 512 tokenów z 50-tokenowym overlap'em, ale dostosuj na podstawie charakteru Twoich danych i wymagań aplikacji.
Dla architektur agentów i monitorowania LLMOps odnieś się do sekcji wzorców w dokumentacji umiejętności — zawierają one rekomendacje dotyczące wyboru między różnymi podejściami i konfiguracji obserwacji.
Testuj wzorce na małych zbiorach danych przed wdrożeniem w produkcji — umiejętność dostarcza best practices, ale każda aplikacja wymaga walidacji dla konkretnych wymagań.